导读

算法模型预测新冠危重症患者病情变化的AUROC值为0．86；另外，借助算法模型对关键因素的“可解释性”，或能深入了解新冠重症患者病情进展的病理生理机制。

近期，一篇发表在Journal of Intensive Medicine的论文表示，COVID－19（新型冠状病毒肺炎）已成为全球最严重的突发公共卫生事件之一，截至2021年9月底，全球报告的死亡人数已超过470万，如何准确识别新冠危重症患者的病情变化对于优化医疗资源分配、提高患者生存率至关重要。

在此背景下，研究人员使用机器学习算法构建了预测模型，对入住ICU的新冠患者进行SOFA（序贯器官衰竭评分）分值预测。结果显示，预测模型的AUROC值为0．86，可有效预测危重症患者的病情变化；另外，算法模型对关键因素的“可解释性”，或能助力深入了解新冠重症患者病情进展的病理生理机制。

01

研究过程

两个时间节点的SOFA分值比较

SOFA分值是评估危重症患者病情的重要指标。一项研究证明了SOFA与新冠患者微循环变化之间的联系：只有SOFA＜10分的患者才可通过增加毛细血管密度和血细胞比容来提升其氧摄取能力，而SOFA≥10的患者缺乏这种能力且具有较高水平的白细胞计数；同时说明SOFA分值高、微循环系统损伤的新冠患者预后或更差。

危重症患者的SOFA分值主要根据其PaO2／FIO2、血小板、胆红素等变量数据进行计算，这些数据一般来源于患者病历，机器学习算法可从中识别相关联的危险因素进行疾病预测。而在该研究中，研究人员选择了XGBoost（极限梯度提升）算法进行建模，这种机器学习算法不易过拟合、可解释性高，在医学预测任务中优于其他算法。

研究人员从RISC－19－ICU注册中心检索到1613名新冠危重症患者，根据脓毒症3．0定义，患者SOFA分值增加≥2 分或减少≤ 2分可理解为病情恶化或改善，因此，研究人员在排除入院第1天或第5天SOFA评分缺失、以及两个时间点之间SOFA分值变化≤1分的患者后，筛选了675名患者纳入研究。这些患者入住ICU时或24小时内的相关症状、实验室生理指标被用作预测因子，结合入住第5天的数据分析出病情变化。

图1 收集相关数据以及预测结果输出的时间线

XGBoost算法的应用过程包括数据集选择、数据预处理、算法建模、性能评价四部分（图2），研究人员在模型预测过程中，基于SOFA分值的变化，一旦识别到患者的病情恶化或改善，就会分析影响结果的相关变量的特征重要性。

图2 算法建模及预测过程

02

结果评价

两种算法模型性能及特征排序比较

由于这是一项回顾性研究，研究人员在算法模型输出结果前，已对纳入研究的675 名患者的实际SOFA分值、各项变量评分情况等信息进行分析汇总。其中，有385名患者发生SOFA评分增加，290名患者SOFA评分降低，以此评价算法模型的性能及其可解释性。

研究结果显示，XGBoost模型准确预测了320名患者（83％）的SOFA评分增加，210名患者（72％）的评分降低，平均ROC曲线下面积为0．86；并如预期的那样，模型将Glasgow评分、休克状态、血管加压药的使用、胆红素浓度作为SOFA评分最相关的特征，而其他与患者预后相关的呼吸支持类型、APACHE II评分等特征也有助于准确预测（图3）。

图3 XGBoost模型性能及影响结果的最重要特征

研究人员同时使用逻辑回归这一传统机器学习算法建模，以进行两种算法模型的性能评价。结果显示，69％SOFA评分增加的患者、72％评分降低的患者被逻辑回归模型准确预测，对应的平均ROC曲线下面积为0．69。说明在预测任务上，XGBoost明显优于逻辑回归算法。

值得一提的是，逻辑回归模型判断的最重要特征与XGBoost模型的差异较大，其中相同的仅有SAPS II评分、胆红素浓度和入住ICU时去甲肾上腺素的使用这三个特征。

图4 逻辑回归模型性能及影响结果的最重要特征

研究人员认为，基于XGBoost算法设计CDSS，可为临床管理ICU患者病情提供决策支持。另外，该算法模型可解释性高，能够识别与COVID－19并发症发展直接相关的因素，用于非ICU科室可帮助临床预测患者发展成危重症的可能性。但由于该研究缺乏非ICU数据集的验证，影响了对算法模型普适性的评价，未来应在真实临床环境中进一步验证。

参考材料：

Montomoli Jonathan， et al． Machine learning using the extreme gradient boosting （XGBoost） algorithm predicts 5－day delta of SOFA score at ICU admission in COVID－19 patients［J］． Journal of Intensive Medicine，2021，1（2）：

【责任编辑：杰西】

——本公众号所有图文，未经许可，严禁转载！

如需转载，请提前与编辑联系取得转载许可。否则视为侵权！